Google DeepMind意外发布了AlphaFold 3的源代码和模型权重，供学术使用，这标志着一项重大进展，可能加速科学发现和药物开发。就在几周前，该系统的创建者 Demis Hassabis 和 John Jumper因在蛋白质结构预测方面的工作而获得了2024 年诺贝尔化学奖。
AlphaFold 3代表了超越其前辈的巨大飞跃。虽然AlphaFold 2可以预测蛋白质结构，但版本 3 可以模拟蛋白质、DNA、RNA 和小分子之间的复杂相互作用——生命的基本过程。这很重要，因为了解这些分子相互作用推动了现代药物发现和疾病治疗。研究这些相互作用的传统方法通常需要数月的实验室工作和数百万的研究资金——而且不能保证成功。
该系统能够预测蛋白质如何与 DNA、RNA 和小分子相互作用，这使它从一种专业工具转变为研究分子生物学的综合解决方案。这种更广泛的能力为理解从基因调控到药物代谢的细胞过程开辟了新的途径，而这些过程的规模以前是无法企及的。
硅谷遇上科学：开源人工智能的复杂之路
发布的时间点凸显了现代科学研究中的一个重要矛盾。AlphaFold 3 于 5 月首次亮相时，DeepMind 决定保留代码，同时通过网络界面提供有限的访问权限，这引起了研究人员的批评。这场争议暴露了人工智能研究的一个关键挑战：如何平衡开放科学与商业利益，尤其是当 DeepMind 姊妹组织Isomorphic Labs等公司致力于利用这些进展开发新药时。
开源版本提供了一条中间路线。虽然代码在知识共享许可下可以免费使用，但访问关键模型权重需要获得 Google 的明确学术使用许可。这种方法试图同时满足科学和商业需求——尽管一些研究人员认为它应该更进一步。
破解密码：DeepMind 的人工智能如何改写分子科学
AlphaFold 3 的技术进步使其与众不同。该系统基于扩散的方法直接与原子坐标一起工作，代表了分子建模的根本转变。与需要针对不同分子类型进行特殊处理的先前版本不同，AlphaFold 3 的框架符合分子相互作用的基本物理学。这使得该系统在研究新型分子相互作用时更加高效和可靠。
值得注意的是，即使没有结构输入信息，AlphaFold 3 在预测蛋白质-配体相互作用方面的准确度也超过了传统的基于物理的方法。这标志着计算生物学的一个重要转变：在理解分子如何相互作用方面，人工智能方法现在比我们最好的基于物理的模型表现更好。
实验室之外：AlphaFold 3 在医学领域的前景和陷阱
这对药物发现和开发的影响将是巨大的。虽然商业限制目前限制了药物的应用，但此次发布所推动的学术研究将促进我们对疾病机制和药物相互作用的理解。该系统在预测抗体-抗原相互作用方面的准确性提高，可以加速治疗性抗体的开发，这是药物研究中一个越来越重要的领域。
当然，挑战仍然存在。该系统有时会在无序区域产生错误的结构，并且只能预测静态结构而不是分子运动。这些局限性表明，虽然像 AlphaFold 3 这样的人工智能工具推动了该领域的发展，但它们与传统实验方法配合使用效果最好。
AlphaFold 3 的发布代表着人工智能科学向前迈出的重要一步。它的影响将超越药物发现和分子生物学。随着研究人员将此工具应用于各种挑战——从设计酶到开发抗逆作物——我们将看到计算生物学的新应用。
AlphaFold 3 的真正考验在于它对科学发现和人类健康的实际影响。随着世界各地的研究人员开始使用这一强大的工具，我们可能会看到理解和治疗疾病的进展比以往任何时候都快。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/gu-ge-deepmind-kai-yuan-alphafold-3-kai-qi-yao-wu-yan-fa-he
